儿童COVID-19病例的分层使用炎症生物标志物分析和机器学习

科学领域:

• 儿科免疫学 儿科免疫学
• 传染性疾病 传染性疾病
• 发现生物标志物的发现.

背景情况:

• 儿童多系统炎症综合征 (MIS-C) 是SARS-CoV-2感染的一种罕见但严重的并发症.
• 准确和早期识别MIS-C对于及时干预和改善患者结果至关重要.
• 目前的诊断方法可能缺乏确定的早期检测所需的灵敏度和特异性.

研究的目的:

• 开发和验证一个客观的测试小组来识别MIS-C在儿童患者的SARS-CoV-2感染.
• 与标准实验室标志物相比,评估新型细胞因子/化学因子试验的诊断性能.
• 为了确定关键生物标志物的减少面板是否可以保持高诊断准确度.

主要方法:

• 涉及四组儿科患者的回顾性研究:COVID-19,MIS-C和未感染的对照.
• 在患者血液样本中测量标准炎症标志物和新型细胞因子/化学因子阵列.
• 在不同SARS-CoV-2变异中使用交叉验证和独立患者队列的逻辑回归模型的开发和验证.

主要成果:

• 细胞因子/化学因子小组在训练组中比标准标志物 (AUROC 0.86,F1 0.78) 取得了明显更高的诊断性能 (AUROC 0.95,F1 0.91).
• 该小组在感染alpha,delta和omicron变体 (AUROC范围为0.89-0.99) 的验证队伍中显示出高准确性.
• 10种细胞因子的子集实现了与全16种细胞因子小组可比的性能,并且添加标准标记物并没有改善结果.

结论:

• 一个16细胞因子/化学因子小组为在SARS-CoV-2感染儿童中识别MIS-C提供了高度敏感和特定的方法.
• 一个由前10个细胞因子组成的小组维持了出色的诊断性能.
• 这个测试面板为MIS-C检测提供了一个客观的工具,适用于主要的SARS-CoV-2变种.